MADE：基于贝叶斯机器学习的红巨星质量、年龄与距离估计器

我们提出一种新方法（MADE），它结合天体测量、测光与光谱数据来生成红巨星的质量、年龄和距离估计。该方法的核心是一个从恒星等时线学习并完全替代等时线的贝叶斯人工神经网络（ANN）。该 ANN 使用一组具有星震学质量估计的红巨星样本进行训练。一个贝叶斯等时线管道利用天体测量、测光、光谱和星震学数据来确定训练输出（质量、年龄和距离）的后验分布。给定新的输入，计算输出的后验预测分布，同时考虑输入不确定性和 ANN 参数的不确定性。我们将 MADE 应用于 APO 银河系演化实验（APOGEE，Abolfathi 等 2018）第 14 次数据发布与 Tycho-Gaia 天体测量解（TGAS，Michalik 等 2015）重叠区域内的约 $10\,000$ 颗红巨星。该 ANN 能够降低通过贝叶斯等时线管道分配了高输出不确定性的训练集恒星在质量、年龄和距离估计上的不确定性。质量的相对不确定性 $<10\%$，年龄的相对不确定性在 $10$ 至 $25\%$ 之间。此外，我们的 ANN 预测整个 APOGEE-TGAS 星表恒星的质量、年龄和距离所花费的时间，与贝叶斯等时线管道在少数恒星上运行所需的时间量级相当。我们所得星表在按年龄考察时，清晰地展示了 [M/H]-[$\alpha$/M] 平面上预期的厚盘与薄盘成分。